告别大模型知识幻觉!看LangChain如何用检索增强生成打造可靠AI问答系统

介绍

本文将深入解析一个基于LangChain和ChromaDB实现的智能检索问答系统,该系统能够根据用户的问题在已有知识库中检索相关信息,并生成准确的回答。这种技术被称为RAG(检索增强生成,Retrieval-Augmented Generation),是当前AI应用中非常重要的一种实现方式。

实现功能

基于LangChain和ChromaDB实现的检索增强生成(RAG)系统,通过向量化文档进行语义检索,结合大语言模型能力,实现根据已有知识库准确回答用户问题的智能问答功能。

本文使用技术栈

在本示例中,主要使用了以下技术组件:

  1. 1. LangChain:一个用于构建基于语言模型应用的框架,提供了丰富的组件和工具链。

  2. 2. ChromaDB:一个开源的向量数据库,用于存储和检索文档的向量表示。

  3. 3. Ollama:本地部署的大语言模型服务,用于生成文本和创建向量嵌入。

  4. 4. 向量检索技术:将文本转换为向量表示,并通过相似度计算实现信息检索。

代码结构详解

环境准备与依赖导入

pip install langchain-chroma
pip install "langserve[all]"
pip install langchain
pip install langchain_community
import os

from langchain_chroma import Chroma
from langchain_community.chat_message_histories import ChatMessageHistory
from langchain_core.documents import Document
from langchain_core.messages import HumanMessage
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.runnables import RunnableWithMessageHistory, RunnableLambda, RunnablePassthrough
from langchain_community.chat_models import ChatOllama
from langchain_community.embeddings import OllamaEmbeddings
from langserve import add_routes

这部分代码导入了实现检索问答系统所需的各种库和模块:

  • • Chroma:ChromaDB的LangChain集成

  • • Document:表示文档的基本数据结构

  • • RunnableLambdaRunnablePassthrough:LangChain的可运行组件,用于构建处理链

  • • ChatOllamaOllamaEmbeddings:基于Ollama的聊天模型和嵌入模型

配置本地模型服务

ollama_base_url = "http://192.168.1.1:11434"  # 默认地址,可根据实际情况修改

# 创建模型
model = ChatOllama(model='deepseek-r1:1.5b', base_url=ollama_base_url)

这里配置了Ollama服务的URL,并初始化了聊天模型。示例中使用了DeepSeek-r1的1.5B参数模型,这是一个相对轻量的中文大语言模型。

准备测试数据

# 准备测试数据 ,假设我们提供的文档数据如下:
documents = [
    Document(
        page_content="长城是中国古代的伟大防御工程,绵延数千公里,被誉为世界七大奇迹之一。",
        metadata={"source": "中国名胜古迹文档"},
    ),
    Document(
        page_content="埃菲尔铁塔位于法国巴黎,是世界著名的建筑标志,每年吸引数百万游客参观。",
        metadata={"source": "欧洲地标文档"},
    ),
    Document(
        page_content="金字塔是古埃及的标志性建筑,用作法老的陵墓,展示了惊人的建筑技术。",
        metadata={"source": "古代建筑文档"},
    ),
    Document(
        page_content="泰姬陵是印度著名的白色大理石陵墓,被誉为爱情的象征,建筑风格融合了波斯和印度元素。",
        metadata={"source": "亚洲建筑文档"},
    ),
    Document(
        page_content="自由女神像是美国的国家象征,位于纽约港口,代表自由与民主精神。",
        metadata={"source": "美洲地标文档"},
    ),
    Document(
        page_content="莫愁湖是中国江苏南京的著名景点,以其优美的湖光山色和动人的传说闻名。",
        metadata={"source": "中国名胜古迹文档"},
    ),
    Document(
        page_content="齐得隆咚呛是火星的一个部落。拥有丰富的矿产资源。",
        metadata={"source": "宇宙名胜古迹文档"},
    )
]

为了演示系统功能,创建了包含不同地标信息的文档集合。每个文档包含:

  • • page_content:文档的主要内容

  • • metadata:元数据信息,包括文档的来源

这里值得注意的是最后一个文档中包含了一个虚构的地方"齐得隆咚呛",这是为了测试系统对未知信息的处理能力。

创建向量存储

# 实例化一个向量数空间
vector_store = Chroma.from_documents(documents, embedding=OllamaEmbeddings(model="bge-m3", base_url=ollama_base_url))

这一步是RAG系统的核心部分之一,实现了:

  1. 1. 使用OllamaEmbeddings创建向量嵌入,选择了"bge-m3"模型,这是一个专为中文优化的嵌入模型

  2. 2. 将文档集合转换为向量表示并存储在ChromaDB中

  3. 3. 建立了一个可以进行向量检索的数据库

BGE-M3是北京智源研究院开发的多语言嵌入模型,在中文语义理解方面有很好的表现。

测试相似度查询

# 相似度的查询: 返回相似的分数, 分数越低相似度越高
print(vector_store.similarity_search_with_score('齐的隆咚呛'))

这行代码演示了如何使用向量存储进行相似度搜索:

  • • 输入查询词"法国巴黎"

  • • 系统将查询词转换为向量表示

  • • 在向量空间中寻找最相似的文档

  • • 返回文档和相似度分数(分数越低表示相似度越高)

虽然"齐的隆咚呛"并不完全匹配任何文档,但系统会找到语义上最接近的结果,很可能是关于"齐的隆咚呛"的文档。

创建检索器

# 检索器: bind(k=1) 返回相似度最高的第一个
retriever = RunnableLambda(vector_store.similarity_search).bind(k=1)

print(retriever.batch(['法国巴黎', '金字塔']))

这部分代码:

  1. 1. 创建一个检索器函数,每次查询只返回相似度最高的一个文档(k=1)

  2. 2. 使用batch方法同时查询多个词,展示了批处理能力

  3. 3. 测试了"法国巴黎"和"金字塔"两个查询词

RunnableLambda是LangChain的一个工具,可以将任何函数转换为可运行的组件。这里将ChromaDB的检索功能封装为LangChain可运行组件。

创建提示模板

# 提示模板
message = """
使用提供的上下文仅回答这个问题:
{question}
上下文:
{context}
"""

prompt_temp = ChatPromptTemplate.from_messages([('human', message)])

提示模板是指导大语言模型回答问题的关键。这个模板包含:

  1. 1. 明确的指令:"使用提供的上下文仅回答这个问题"

  2. 2. 两个变量:{question}(用户问题)和{context}(检索到的文档内容)

  3. 3. 使用LangChain的ChatPromptTemplate创建了可用于聊天模型的提示格式

这种模板设计确保模型只使用检索到的信息回答问题,减少幻觉(生成不准确信息)的可能性。

构建检索问答链

# RunnablePassthrough允许我们将用户的问题之后再传递给prompt和model。
chain = {'question': RunnablePassthrough(), 'context': retriever} | prompt_temp | model

这一行代码构建了完整的检索问答链:

  1. 1. 创建一个字典,包含两个键:

    • • question:使用RunnablePassthrough()直接传递用户的输入问题

    • • context:使用retriever组件检索相关文档

  2. 2. 将字典传入prompt_temp,填充提示模板中的变量

  3. 3. 最后将填充好的提示传给大语言模型生成回答

这里使用了LangChain的管道操作符|,非常直观地表达了数据流向:输入 → 检索 → 提示填充 → 模型生成。

测试系统

resp = chain.invoke('请介绍一下埃菲尔铁塔?')
print(resp.content)

image-20250226155732406

 

resp = chain.invoke('请介绍一下齐的隆咚呛?')
print(resp.content)

注意一下这里搜索的是齐的隆咚呛,而文档中为齐得隆咚呛,他也是能通过语义搜索获取到的。

image-20250226160511787

 

至此我们可以成功根据我们自己的文本内容来实现知识库检索了。

其实还有个rerank模型也可以用作优化效果,后面文章我会详细介绍。

下面我总结一下使用到的技术。

向量检索原理详解

文本向量化

在RAG系统中,文本向量化是实现高效检索的基础。这个过程包括:

  1. 1. 文本预处理:清洗文本,去除停用词,进行分词等。

  2. 2. 向量生成:使用嵌入模型将文本转换为高维向量。本例中使用的BGE-M3模型能将文本映射到高维空间,使得语义相似的文本在向量空间中距离更近。

  3. 3. 向量维度:嵌入模型通常会生成几百到几千维度的向量。例如,BGE-M3生成的向量通常是1024维。

向量存储

ChromaDB作为向量数据库,提供了高效的向量存储和检索功能:

  1. 1. 向量索引:ChromaDB使用高效的索引结构(如HNSW、Annoy等)来加速近似最近邻搜索。

  2. 2. 元数据存储:除了存储向量,还保存文档的原始内容和元数据。

  3. 3. 持久化:ChromaDB支持将向量数据持久化到磁盘,便于后续使用。

相似度搜索

向量检索的核心是相似度计算:

  1. 1. 余弦相似度:最常用的相似度度量,计算两个向量之间夹角的余弦值。值域为[-1,1],通常归一化为[0,1]或表示为距离[0,2]。

  2. 2. 欧氏距离:计算向量空间中两点之间的直线距离。

  3. 3. 点积:两个向量的对应元素相乘再求和,也是常用的相似度度量之一。

在本例中,similarity_search_with_score方法返回的分数是基于向量欧式距离的,分数越低表示相似度越高。

语义检索优势

与传统的关键词匹配相比,向量检索(也称为语义检索)有显著优势:

  1. 1. 理解语义:能够捕捉文本的语义而非仅匹配关键词。

  2. 2. 处理同义词:即使用不同词语表达相同概念,也能找到相关文档。

  3. 3. 处理多语言:某些嵌入模型支持跨语言检索。

  4. 4. 模糊匹配:不需要精确匹配即可找到相关内容。

总结

本文详细介绍了一个基于LangChain和ChromaDB实现的智能检索问答系统。该系统通过向量化存储文档信息,利用语义相似度检索相关内容,然后使用大语言模型生成准确回答。

我们该怎样系统的去转行学习大模型 ?

很多想入行大模型的人苦于现在网上的大模型老课程老教材,学也不是不学也不是,基于此,我用做产品的心态来打磨这份大模型教程,深挖痛点并持续修改了近100余次后,终于把整个AI大模型的学习门槛,降到了最低!

在这个版本当中:

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲,跟着我做即可,为了让学习的道路变得更简单,这份大模型教程已经给大家整理并打包,现在将这份 LLM大模型资料 分享出来: 😝有需要的小伙伴,可以 扫描下方二维码领取🆓↓↓↓

一、大模型经典书籍(免费分享)

AI大模型已经成为了当今科技领域的一大热点,那以下这些大模型书籍就是非常不错的学习资源。

二、640套大模型报告(免费分享)

这套包含640份报告的合集,涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
在这里插入图片描述

三、大模型系列视频教程(免费分享)

在这里插入图片描述

四、2025最新大模型学习路线(免费分享)

我们把学习路线分成L1到L4四个阶段,一步步带你从入门到进阶,从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段:我们会去了解大模型的基础知识,以及大模型在各个行业的应用和分析;学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段:攻坚篇丨RAG开发实战工坊

L2阶段是我们的AI大模型RAG应用开发工程,我们会去学习RAG检索增强生成:包括Naive RAG、Advanced-RAG以及RAG性能评估,还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段:跃迁篇丨Agent智能体架构设计

L3阶段:大模型Agent应用架构进阶实现,我们会去学习LangChain、 LIamaIndex框架,也会学习到AutoGPT、 MetaGPT等多Agent系统,打造我们自己的Agent智能体。

L4阶段:精进篇丨模型微调与私有化部署

L4阶段:大模型的微调和私有化部署,我们会更加深入的探讨Transformer架构,学习大模型的微调技术,利用DeepSpeed、Lamam Factory等工具快速进行模型微调。

L5阶段:专题集丨特训篇 【录播课】

全套的AI大模型学习资源已经整理打包,有需要的小伙伴可以微信扫描下方二维码,免费领取

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值